CEBP-HG: Hypergraph-regularized multi-subspace ensemble learning for robust unsupervised feature selection

doi:10.1016/j.asoc.2026.115691

CEBP-HG: Hypergraph-regularized multi-subspace ensemble learning for robust unsupervised feature selection

2026-06-01

0

PRE

AI

黄昌勤 (Changqin Huang) *

X

Xiaodi Huang

DOI：10.1016/j.asoc.2026.115691

原文链接

原文求助

摘要

En 中文

无监督特征选择（UFS）对于识别高维无标签数据中的判别特征至关重要，但现有方法受限于易受噪声影响的伪标签和成对图结构的弱表达能力。为解决这些挑战，本文提出CEBP-HG，一种结合多子空间聚类集成与超图正则化的新型无监督特征选择方法。具体而言，CEBP-HG首先将原始特征空间划分为多个随机子空间集，并在每个子空间内进行独立聚类。通过集成这些多样化的聚类结果，该方法生成更稳定和鲁棒的二元伪标签，更好地逼近真实标签分布。此外，采用超图正则化探索更高阶的局部实例关系，能够捕捉成对连接之外的复杂结构模式。在13个数据集上的实验评估表明，本算法在2个评估指标上均一致优于15种最先进方法。此外，本方法实现了最高的综合性能排名，并在每个评估指标上至少超越次优方法2.71个排名。

Keyword:

Feature selection

Unsupervised learning

Multi-subspace clustering

Ensemble learning

Hypergraph learning

CEBP-HG: Hypergraph-regularized multi-subspace ensemble learning for robust unsupervised feature selection

摘要

期刊

机构

引用论文